首頁 > 文章 > web前端 > nodejs爬蟲superagent和cheerio體驗案例

nodejs爬蟲superagent和cheerio體驗案例

小云云原創: 2018-03-06 09:16:041482瀏覽

早就聽過爬蟲，這幾天開始學習nodejs，爬取博客園首頁的文章標題、用戶名、閱讀數、推薦數和用戶頭像，現做個小總結。

　　使用到這幾個點：

　　1、node的核心模組-- 檔案系統

　　2、用於http請求的第三方模組-- superagent

　　3、用於解析DOM的第三方模組-- cheerio

　　幾個模組詳細的講解及API請到各個連結查閱，demo中只有簡單的用法。

準備工作

　　使用npm管理依賴，依賴資訊會存放在package.json中

//安装用到的第三方模块
cnpm install --save superagent cheerio

　　引入所需要用到的功能模組

//引入第三方模块，superagent用于http请求，cheerio用于解析DOM
const request = require('superagent');
const cheerio = require('cheerio');
const fs = require('fs');

請求+ 解析頁面

　　想要爬到博客園首頁的內容，首先要請求首頁地址，拿到返回的html，這裡使用superagent進行http請求，基本的使用方法如下：

request.get(url)
      .end(error,res){
      //do something     
}

　　向指定的url發起get請求，請求錯誤時，會有error回傳（沒有錯誤時，error為null或undefined），res為傳回的資料。

　　拿到html內容後，要拿到我們想要的數據，這個時候就需要用cheerio解析DOM了，cheerio要先load目標html，然後再進行解析，API和jquery的API非常類似，熟悉jquery上手非常快。直接看程式碼實例

//目标链接 博客园首页
let targetUrl = 'https://www.cnblogs.com/';
//用来暂时保存解析到的内容和图片地址数据
let content = '';
let imgs = [];
//发起请求
request.get(targetUrl)
    .end( (error,res) => {
      if(error){ //请求出错，打印错误，返回
        console.log(error)
        return;
      }
      // cheerio需要先load html
      let $ = cheerio.load(res.text);
      //抓取需要的数据,each为cheerio提供的方法用来遍历
      $('#post_list .post_item').each( (index,element) => {
        //分析所需要的数据的DOM结构
        //通过选择器定位到目标元素，再获取到数据
        let temp = {
          '标题' : $(element).find('h3 a').text(),
          '作者' : $(element).find('.post_item_foot > a').text(),
          '阅读数' : +$(element).find('.article_view a').text().slice(3,-2),
          '推荐数' : +$(element).find('.diggnum').text()
        }
        //拼接数据
        content += JSON.stringify(temp) + '\n';
        //同样的方式获取图片地址
        if($(element).find('img.pfs').length > 0){
          imgs.push($(element).find('img.pfs').attr('src'));
        }
      });
      //存放数据
      mkdir('./content',saveContent);
      mkdir('./imgs',downloadImg);
    })

儲存資料

　　上面解析DOM之後，已經拼接了所需要的資訊內容，也拿到了圖片的URL，現在就進行存儲，把內容存放到指定目錄的txt檔案中，而且下載圖片到指定目錄

　　先建立目錄，使用nodejs核心的檔案系統

//创建目录
function mkdir(_path,callback){
  if(fs.existsSync(_path)){
    console.log(`${_path}目录已存在`)
  }else{
    fs.mkdir(_path,(error)=>{
      if(error){
        return console.log(`创建${_path}目录失败`);
      }
      console.log(`创建${_path}目录成功`)
    })
  }
  callback(); //没有生成指定目录不会执行
}

　　有了指定目錄之後，可以寫入資料了，txt檔案的內容已經有了，直接寫入就可以了使用writeFile()

//将文字内容存入txt文件中
function saveContent() {
  fs.writeFile('./content/content.txt',content.toString());
}

　　取到了圖片的鏈接，所以需要再使用superagent下載圖片，存在本地。 superagent可以直接回傳一個回應流，再配合nodejs的管道，直接把圖片內容寫到本地

//下载爬到的图片
function downloadImg() {
  imgs.forEach((imgUrl,index) => {
    //获取图片名 
    let imgName = imgUrl.split('/').pop();

    //下载图片存放到指定目录
    let stream = fs.createWriteStream(`./imgs/${imgName}`);
    let req = request.get('https:' + imgUrl); //响应流
    req.pipe(stream);
    console.log(`开始下载图片 https:${imgUrl} --> ./imgs/${imgName}`);     
  } )
}

效果

　　執行下demo，看下效果，資料已經正常爬下來了

　　非常簡單的一個demo，可能也沒有那麼嚴謹，不過總是走出了node的第一小步。

nodejs爬蟲superagent和cheerio體驗案例

相關文章